L'IA est conviviale... pour les ingénieurs.

J’utilise Claude Code quotidiennement. C’est un chalet au coin du feu : chaud, confortable, productif. Mais pour que le feu reste allumé, il faut aller chercher le bois (par moins 25°, dans la tempête de neige).

Le bois, c’est la veille permanente sur les mises à jour du modèle, des protocoles, des bonnes pratiques qui changent continuellement. C’est la compréhension des architectures sous-jacentes pour distinguer ce que l’outil fait bien de ce qu’il hallucine élégamment. C’est la discipline pour ne pas déléguer ce qui devrait rester maîtrisé.

Ce coût de maintenance est assez peu documenté. Certainement pas le marketing de l’IA générative, qui parle de « copilot », d’« assistant », de « convivialité ». Ce dernier mot mérite qu’on s’y arrête : il vient d’Ivan Illich, qui en a forgé le sens dans les années 1970. Illich avait des critères précis pour qualifier un outil de convivial. Ils n’ont rien d’évident, et ils forment un test que l’IA générative ne passe pas sans examen.

Illich a défini deux seuils au-delà desquels un outil détruit ce qu’il prétend augmenter : l’autonomie de l’usager et la compétence qu’il exerce. L’IA générative a franchi le premier. Les tentatives de « reconvivialisation » technique (MCP, open-weight, architectures agentiques) produisent des boîtes grises, pas des outils conviviaux. La convivialité de l’IA est un privilège d’ingénieur vendu comme une démocratisation.

Illich, littéralement

Tools for Conviviality paraît en 1973. Illich y décrit deux seuils de contre-productivité : au-delà du premier, un outil monopolise la satisfaction d’un besoin et rend les alternatives illégitimes (le monopole radical) ; au-delà du second, il détruit la compétence même qu’il prétend augmenter.

Un outil convivial, dans ce cadre, remplit trois critères. Il étend l’autonomie de l’usager, sans créer de dépendance structurelle. Il est maîtrisable (au sens technique du terme : on peut l’ouvrir, le comprendre, le réparer). Et il est refusable : on peut vivre sans lui sans perdre l’accès à un besoin fondamental.

Ces trois critères forment un test. Appliquez-les à l’IA générative. Le résultat est instructif.

Le premier seuil, franchi

En 2011, Sparrow, Liu et Wegner publient dans Science ce qu’ils appellent le « Google Effect » : l’accès permanent à Internet modifie la manière dont nous mémorisons l’information. Nous ne retenons plus les faits : nous retenons où les chercher. L’externalisation touche le stockage mémoriel.

L’IA générative franchit un seuil supplémentaire. Elle externalise non plus le stockage, mais le traitement : le raisonnement, la synthèse, le jugement. Ce n’est pas quantitativement différent : c’est qualitativement autre chose. C’est précisément ce que j’observe dans l’accélération du code qui ralentit les développeurs : la délégation cognitive produit des effets que les métriques de productivité ne capturent pas.

Les mesures commencent à en attester : une étude MIT (Kosmyna et al., 2025) documente une chute de 55 % de la connectivité neurale chez les utilisateurs intensifs de ChatGPT ; une étude Gerlich (MDPI Societies, n = 666) corrèle l’intensité d’usage et la baisse des scores de pensée critique. Ce n’est pas encore de la causalité, mais c’est un signal.

Sur la concentration du pouvoir informationnel, les données du Stanford CRFM sont instructives. Le Foundation Model Transparency Index 2025 mesure la transparence des principaux fournisseurs de modèles. Score moyen : 58 en 2024, tombé à 40 en 2025 (le nombre d’acteurs augmente, ils sont peut-être moins matures). Aux extrêmes de l’échelle, on trouve IBM à 0,95 et Midjourney et xAI à 14… Ce que mesure cette chute : moins de documentation publique sur les données d’entraînement, les politiques d’usage, les procédures de sécurité. Davantage de modèles, moins de lisibilité sur ce qu’ils contiennent. Le pouvoir informationnel se concentre sans se distribuer.

Illich nomme ce mouvement le « monopole radical » : quand l’outil seul peut satisfaire le besoin, le recours à autre chose devient culturellement illégitime. C’est la première dimension du monopole, normative. Écrire un rapport sans assistance IA commence à sonner comme rouler sans GPS : théoriquement possible, pratiquement suspect.

Le leurre des boîtes grises

Ici intervient la contre-proposition standard. MCP (Model Context Protocol), modèles open-weight (dont les poids sont publics), architectures agentiques ouvertes : ne représentent-ils pas précisément la réponse conviviale ? L’argument mérite d’être pris au sérieux, c’est même le plus solide disponible.

Rindfleisch, Kim et Lee le formalisent dans le Journal of Retailing (2024) : ChatGPT, disent-ils, augmente l’autonomie de l’usager. Il lui permet de faire des choses qu’il ne savait pas faire avant : rédiger un contrat, analyser un tableau, produire du code. Leurs données sont empiriquement solides : les utilisateurs accomplissent davantage de tâches variées.

Le problème est conceptuel, pas empirique. Rindfleisch et al. mesurent l’autonomie instrumentale : la capacité à accomplir des tâches dans le périmètre de l’outil. Illich exige autre chose : l’autonomie structurelle, qui inclut la capacité de se passer de l’outil, de le refuser, de le réparer, d’en comprendre le fonctionnement sans intermédiaire. Ces deux définitions ne sont pas des variantes : elles sont opposées. Un usager qui ne peut plus rédiger sans assistance n’a pas gagné en autonomie au sens d’Illich : il a échangé une compétence contre une dépendance. L’étude de Rindfleisch porte de plus sur des utilisateurs occasionnels, pas sur des organisations dont les systèmes d’information sont structurellement intégrés à un foundation model. À cette échelle, la migration coûte davantage qu’on ne peut payer sans perdre en compétitivité. C’est la deuxième dimension du monopole radical, économique : le coût de sortie rend le refus impraticable, même pour qui le voudrait.

Ce consentement au monopole n’est pas que structurel : il est aussi psychologique. Chiapello et Gilbert (2013) documentent l’euphorie technophile — la tendance à percevoir les outils comme pleinement capacitants même quand ils dépossèdent. Charles Revue en trouve la trace dans ses entretiens : certains leaders expriment une foi totale dans leurs outils même lorsque ceux-ci les ont déjà placés en situation de vulnérabilité opérationnelle. La vulnérabilité perçue n’est pas corrélée à la vulnérabilité réelle. C’est ce qui rend le monopole radical invisible depuis l’intérieur — et le choix de refuser psychologiquement impossible, avant même que le coût économique de sortie ne se manifeste.

Prenons MCP (Model Context Protocol), l’approche qui permet à un LLM d’appeler des outils externes via une interface standardisée (j’en explore l’architecture dans l’article sur le harness). L’argument de la reconvivialisation : MCP rend l’IA maîtrisable, parce qu’on peut connecter ses propres services. C’est vrai, pour une infime minorité d’usagers. Le critère de maîtrisabilité d’Illich ne porte pas sur la fermeture du code source, mais sur le coût réel d’accès à la compréhension. Configurer un serveur MCP exige de comprendre les protocoles de communication, de déboguer les appels inter-services, de sécuriser les endpoints exposés. Ce coût exclut structurellement tout utilisateur dont le profil n’est pas un minimum technique. Un utilisateur standard qui veut « juste écrire un rapport » ne peut pas auditer ce que fait le modèle au moment où il appelle ses outils. La transparence de l’interface ne confère pas la maîtrise du mécanisme.

La même limite vaut pour les modèles open-weight. Un preprint arXiv de 2026 le formule précisément : l’open-weight déplace la dépendance plutôt qu’il ne la supprime. La dépendance au fournisseur de modèle devient dépendance à l’infrastructure GPU ou cloud nécessaire à l’inférence (Amazon, Google, Microsoft). La boîte noire ne s’ouvre pas : elle devient grise. On voit entrer les données. On voit sortir les résultats. Le mécanisme intermédiaire reste opaque.

C’est une boîte grise : ni transparente ni opaque, une concession de visibilité qui ne confère pas de maîtrise réelle. MCP et les architectures agentiques ouvertes produisent des boîtes grises. Pas des outils conviviaux.

Et le critère de refus ? Un Foundation Model qui structure les systèmes d’information d’une organisation est de facto non-refusable, non plus parce que le code est fermé, mais parce que les pratiques, les workflows, les formats de sortie attendus se sont construits autour de lui. C’est la troisième dimension : le verrouillage pratique, par sédimentation des usages. L’outil est devenu infrastructure.

L’homo faber dépossédé

La question n’est pas seulement économique ou technologique. Elle est anthropologique.

Hannah Arendt distingue, dans Condition de l’homme moderne (1958), trois modes d’activité : le travail (cycle biologique, consommation), l’œuvre (fabrication d’un monde durable, accumulation d’un savoir-faire) et l’action (présence dans l’espace public). L’homo faber fabrique. Il laisse une empreinte dans la matière, accumule une compétence, construit une identité par le geste.

L’IA générative déplace cette figure. Ce qu’elle produit, c’est un usager qui donne des instructions et consomme des résultats, sans traverser le geste de fabrication. J’appellerais volontiers cela l’homo promptens : le donneur d’ordres qui n’a plus besoin de comprendre la chaîne causale entre son intention et le résultat.

Le rapport résiduel de l’homo promptens à sa production est celui d’un commanditaire à une commande : le résultat existe, mais la compétence de le produire n’a pas été exercée. Il ne peut pas le reproduire sans l’outil. Il ne peut pas le corriger sans l’outil. Il ne peut pas en expliquer le raisonnement sous-jacent. L’homo faber pouvait transmettre le geste (à un apprenti, à un enfant, par une démonstration). L’homo promptens peut transmettre le prompt. Mais la transmission est fragile d’une manière que celle du geste n’était pas.

Ce n’est pas que les prompts soient entièrement périssables. Les schémas fondamentaux (chaîne de vérification, ajout de contraintes négatives…) tendent à être stables d’un modèle à l’autre. Ce qui change, c’est la nécessité d’une réévaluation périodique : vérifier que les architectures de base fonctionnent encore, que les comportements implicites n’ont pas glissé. Un fournisseur qui introduit du routage opaque entre modèles, sans le documenter, peut invalider silencieusement des pratiques stabilisées depuis des mois. L’homo faber savait que son marteau ne changerait pas de comportement du jour au lendemain. Ce qui s’accumule pour l’homo promptens n’est pas une compétence stable : c’est une collection de formulations dont la durée de vie dépend d’un tiers qui n’a aucune obligation de stabilité.

Matthew Crawford, dans Éloge du carburateur (2009), nomme ce que l’on perd : le savoir incarné, situé, irréductible à des procédures. On apprend à réparer un moteur en réparant un moteur, en tâtonnant, en échouant, en recommençant. Ce n’est pas un apprentissage que l’on peut déléguer à un assistant. La délégation cognitive remplace l’engagement intellectuel par une consommation de résultat.

Cette observation de Crawford reste théorique dans le contexte de l’IA. Mais une recherche empirique lui donne un ancrage inattendu. Charles Revue, dont j’ai eu la chance d’assister à la soutenance de thèse (Univ. Jean Moulin Lyon 3 / EM Lyon, 2024, dir. Pierre-Yves Gomez), a conduit 62 entretiens semi-directifs auprès de leaders de cinq secteurs — armée de terre, hôpitaux, entreprises privées, secteur associatif. Son terrain n’est pas l’IA : il porte sur les outils de travail du leader en général. Mais le mécanisme qu’il documente est le même que celui de Crawford : une routinisation qui amplifie d’abord les capacités, puis génère des contraintes invisibles jusqu’au point de bascule où l’outil retourne contre son usager. Ce que Charles Revue nomme la “double routinisation” est l’exact corrélat empirique du savoir incarné de Crawford : ce qui était compétence devient dépendance, sans que l’usager le perçoive de l’intérieur. L’angle mort est cognitif, pas rationnel — on ne le voit pas venir depuis l’intérieur du système.

Ce que décrit Crawford ne dispose pas de mesure directe : le savoir incarné résiste par nature à la quantification. Mais des approximations empiriques existent. Une étude MIT (Kosmyna et al., 2025), conduite sur quatre mois avec électroencéphalogrammes, documente la chute de 55 % de la connectivité neurale chez les utilisateurs intensifs de ChatGPT par rapport au groupe contrôle. Une étude Gerlich (MDPI Societies, 2025, n = 666) documente une corrélation négative entre l’intensité d’usage de l’IA et les scores de pensée critique. Ces mesures ne démontrent pas la perte du savoir incarné au sens de Crawford : elles n’en sont pas la traduction quantitative directe. Elles indiquent cependant que l’usage intensif affecte des fonctions cognitives mesurables. Ce n’est pas encore de la causalité établie. Mais si Crawford a raison sur le mécanisme, ces données en sont le signal attendu.

Gilbert Simondon prolonge le diagnostic. Pour lui (cité par Aires dans AI & Society, 2024), l’individuation se fait par le geste technique : l’humain se forme en maîtrisant l’outil, pas en le consommant. Supprimer le geste, c’est supprimer la formation de soi. Le deskilling (désapprentissage) mesuré par Kosmyna et Gerlich n’est pas un effet secondaire regrettable : c’est la mécanique attendue d’un outil qui prend en charge ce que l’humain devrait traverser lui-même.

Ce diagnostic n’est pas extérieur : je l’habite. J’utilise Claude Code quotidiennement. Je sais ce que la délégation gagne en efficacité. La question n’est pas « faut-il refuser l’IA ? » Elle est : à quel prix acceptons-nous de ne pas poser cette question ?

La convivialité comme privilège

Chez Illich, l’outil convivial est simple. Il s’apprend une fois, il se manie durablement, il ne requiert pas de formation continue pour rester utile. L’IA générative, c’est le contraire : un outil qui mute en permanence, qui exige un investissement de veille constant pour conserver sinon sa maîtrise, au moins sa compréhension courante.

Cet investissement est à la portée de l’« honnête homme/femme » qui consacre du temps à sa veille technique. Il est hors de portée d’un utilisateur ordinaire qui veut simplement écrire un rapport ou préparer un cours.

Ivan Illich, au téléphone

Ce rapport suppose des ressources cognitives et temporelles que la rhétorique du « copilot pour tous » efface soigneusement. La convivialité de l’IA n’est pas une propriété de l’outil : c’est une propriété du rapport que certains usagers entretiennent avec lui. Les conditions de maîtrise sont inégalement distribuées, et elles le resteront tant que la complexité des systèmes sous-jacents croîtra plus vite que la capacité des usagers à en suivre l’évolution.

La convivialité de l’IA est un privilège d’ingénieur. Vendu comme une démocratisation.

Ce constat n’est pas une impasse. La thèse de Charles Revue identifie le seul levier empiriquement documenté pour réduire durablement la vulnérabilité opérationnelle face aux outils : l’entraînement délibéré au “mode dégradé” — savoir travailler sans l’outil, comme les officiers et les urgentistes qu’il a interviewés. Ce n’est pas du luddisme : c’est de la résilience structurelle. Les leaders formés à fonctionner en mode dégradé sont moins démunis face à l’obsolescence forcée. Pour l’homo promptens, le mode dégradé, c’est écrire, raisonner, structurer sans IA — non comme ascèse, mais comme maintien d’une capacité. Le privilège de la convivialité n’est pas seulement inégalement distribué : il est actif. Il se maintient, ou il s’efface.

Ce n’est pas sans lien avec la flagornerie computationnelle : les deux phénomènes procèdent d’un même effacement, celui des conditions réelles de fonctionnement du système derrière une interface rassurante.

Ce que j’en retiens

L’IA générative a franchi le premier seuil de contre-productivité d’Illich. Elle tend vers le monopole radical sur la production cognitive, le point où raisonner sans assistance deviendra bientôt aussi suspect que calculer sans calculatrice. Les tentatives de reconvivialisation technique sont réelles mais insuffisantes : elles produisent des boîtes grises accessibles aux seuls experts qui peuvent en payer le coût de maintenance. Ce rapport suppose des ressources cognitives et temporelles que la rhétorique du « copilot pour tous » efface soigneusement.

La question n’est pas : faut-il refuser l’IA ? Elle est : de quoi acceptons-nous de nous dépouiller quand nous l’adoptons sans la questionner ?